هوش مصنوعی در دادهٔ مشتری زمانی ارزش می‌آفریند که بتواند تصمیم‌ها را فعال کند و اثرشان را بسنجد

بیشتر گفت‌وگوهای سازمانی هوش مصنوعی با مدل آغاز می‌شوند: می‌توانیم ریزش را پیش‌بینی کنیم؟ محصول پیشنهاد دهیم؟ مشتری را با ارزش طول عمر امتیازدهی کنیم؟ بهترین اقدام بعدی را بشناسیم؟ پرسش‌های منطقی‌ای‌اند، اما بخش دشوارتر را نمی‌بینند. در دادهٔ مشتری، هوش مصنوعی معمولاً پس از موفقیت مدل شکست می‌خورد.

مدل به‌ندرت مسألهٔ واقعی است

پیش‌بینی وجود دارد، اما هیچ تیمی بر اساسش عمل نمی‌کند. امتیاز تولید می‌شود، اما به مسیر تعامل نمی‌رسد. پیشنهاد صادر می‌شود، اما در تجربهٔ مشتری دیده نمی‌شود. داشبورد ریسک را نشان می‌دهد، اما کسی نمی‌تواند آن را به تصمیم، کانال، پیام، کمپین یا نتیجهٔ سنجش‌پذیر متصل کند.

این الگوی واقعی شکست است. هوش مصنوعی در دادهٔ مشتری به این دلیل شکست نمی‌خورد که سازمان توان تولید هوشمندی ندارد؛ شکست می‌خورد چون هوشمندی از عملیات جدا می‌ماند.

هوش مصنوعی بدون حاکمیت ریسک، بدون فعال‌سازی اتلاف و بدون سنجش توهم می‌سازد. دیدگاه تصمیم‌گیری

هوش مصنوعی دادهٔ مشتری شکاف اجرا دارد

پلتفرم‌های دادهٔ مشتری مواد خام هوش مصنوعی را دارند: پروفایل، رویداد، گراف هویت، تراکنش، کاتالوگ محصول، تاریخچهٔ تعامل، پاسخ کمپین، تعامل تبلیغ، سوابق رضایت و دسترس‌پذیری کانال. مسأله نبود داده نیست؛ فاصلهٔ داده تا اقدام است.

مدل ریزش شاید مشتریان در معرض خطر را شناسایی کند؛ اما اگر امتیاز نتواند بخشی پیش‌بینانه بسازد، مسیر حفظ مشتری را آغاز کند، پیام نامرتبط را متوقف سازد، پیشنهاد را شخصی‌سازی کند و افزایش عملکرد را در برابر گروه شاهد بسنجد، فقط یک دارایی تحلیلی می‌ماند، نه سامانه‌ای عملیاتی. گزارش به تیم می‌گوید چه چیزی شاید درست باشد؛ یک لایهٔ تصمیم‌گیری آنچه در ادامه رخ می‌دهد را تغییر می‌دهد و چرخهٔ سنجش ثابت می‌کند آن تغییر مؤثر بوده است یا نه.

از پیش‌بینی تا اثر کسب‌وکاری

جریان عملی ساده است، اما بیشتر سازمان‌ها زیرساخت اجرای مداوم آن را ندارند. همین چرخهٔ عملیاتی، هوش مصنوعی مفید را از یک قابلیت تزئینی در داشبورد جدا می‌کند. اگر گامی از چرخه قطع شود، ارزش کسب‌وکاری کاهش می‌یابد: امتیازها فعال نشوند، مدل محبوس می‌ماند؛ اثر فعال‌سازی سنجیده نشود، نتیجه در حد ادعا می‌ماند؛ و سنجش به بهینه‌سازی بازنگردد، سامانه یاد نمی‌گیرد.

نمونه‌ای ساده: پیش‌بینی ریزش

در پیاده‌سازی ضعیف، کسب‌وکار داشبورد کاربران پُرریسک را می‌گیرد. تیم CRM گاهی آن را می‌بیند، فهرست خروجی می‌گیرد، دستی کمپین می‌سازد و بعداً بهبود حفظ را بررسی می‌کند. فرایند کند، ناهماهنگ و انتسابش دشوار است.

در پیاده‌سازی کامل‌تر، امتیاز ریزش به یک موجودیت محصول تبدیل می‌شود: کنار هر پروفایل ذخیره و طبق برنامه‌ای مشخص به‌روز می‌شود، در دسترس لایهٔ بخش‌بندی قرار می‌گیرد و مخاطبی پیش‌بینانه می‌سازد. این مخاطب وارد مسیر حفظ مشتری می‌شود و بخشی از آن به‌عنوان گروه کنترل کنار می‌ماند. مسیر، پیشنهادها، کانال‌ها و زمان‌بندی‌های مختلف را آزمایش می‌کند و سامانه نمایش، تبدیل، حفظ مشتری، انصراف، حاشیه و میزان افزایش را می‌سنجد. نسخهٔ نخست بینش می‌دهد؛ نسخهٔ دوم یک سامانهٔ عملیاتی سنجش‌پذیر می‌سازد.

داشبورد کافی نیست

سازمان‌ها اغلب مشاهده‌پذیری را با پیشرفت اشتباه می‌گیرند. داشبورد بهتر فهم وضعیت را آسان می‌کند، اما اقدام را تضمین نمی‌کند. داشبورد ارزش طول عمر تصمیم نمی‌گیرد چه کسی پیشنهاد ممتاز بگیرد؛ گزارش علاقه به محصول خودکار چیدمان فروش را عوض نمی‌کند و امتیاز ریزش بدون تغییر تجربهٔ مشتری، ریزش را کاهش نمی‌دهد.

به همین دلیل هوش مصنوعی باید در سطوح فعال‌سازی تعبیه شود. پرسش اصلی این نیست که سامانه پیش‌بینی تولید می‌کند یا نه؛ پرسش این است که آیا پیش‌بینی‌ها می‌توانند بر بخش‌ها، مسیرهای تعامل، پیشنهادها، کمپین‌های Retail Media، تصمیم تبلیغ‌دهنده، قواعد منع و هشدارهای عملیاتی اثر بگذارد.

مخزن امتیاز به زیرساختی حیاتی تبدیل می‌شود

برای عملیاتی‌شدن هوش مصنوعی، خروجی مدل به محل نگه‌داری نیاز دارد. اینجا مخزن امتیاز مهم می‌شود: خروجی‌ها را در سراسر پلتفرم به سیگنال‌های نسخه‌بندی‌شده، تحت حاکمیت و قابل‌استفادهٔ مجدد تبدیل می‌کند. امتیاز ریزش در CRM، علاقهٔ محصول در پیشنهادها، امتیاز آگاه از حاشیه در Retail Media، خستگی برای منع پیام و سلامت کمپین برای هشدار راهبر به‌کار می‌روند.

بدون این لایه، امتیازها فایل، جدول، خروجی یا ویجت داشبورد می‌مانند. شاید از نظر فنی چشمگیر باشند، اما بخشی از تصمیم روزمره نمی‌شوند. سامانهٔ جدی هوش مصنوعی دادهٔ مشتری بیش از مدل نیاز دارد: زیرساخت عملیاتی پیرامون مدل شامل سازندهٔ مجموعه‌داده، کاتالوگ ویژگی، رجیستری مدل، امتیازهای واردشده، مخزن امتیاز، اشیای پیشنهاد، قواعد فعال‌سازی، حاکمیت و سنجش.

شیء پیشنهاد از شیء مدل مهم‌تر است

کاربران کسب‌وکار نمی‌خواهند مدل راهبری کنند؛ می‌خواهند تصمیم راهبری کنند. پس مهم‌ترین شیء خود مدل نیست، شیء پیشنهاد است. شیء پیشنهاد هوشمندی را به چیزی تبدیل می‌کند که کسب‌وکار بتواند پیکربندی، پیش‌نمایش، فعال، پایش و بهبودش دهد: پیشنهاد محصول، بهترین پیشنهاد بعدی، پیشنهاد مخاطب یا کمپین، تصمیم منع یا فرصت Retail Media.

این انتزاع زبان مشترکی به تیم‌ها می‌دهد. علم داده مالک مدل، بازاریابی مالک مسیر تعامل، Retail Media مالک کمپین، محصول مالک سطح پیشنهاد و مدیریت مالک نتیجه می‌شود.

Retail Media موضوع را روشن‌تر می‌کند

Retail Media یکی از روشن‌ترین نمونه‌های نیاز هوش مصنوعی به فعال‌سازی و سنجش است. خرده‌فروش یا بازارگاه ممکن است رفتار غنی مشتری، کاتالوگ، تاریخچهٔ تراکنش و تقاضای تبلیغ‌دهنده داشته باشد. هوش مصنوعی علاقهٔ محصول، فرصت مخاطب، کمپین کم‌بازده، جابه‌جایی بودجه و قصد در سطح دسته را می‌شناسد؛ اما فقط اگر این بینش وارد جریان رسانه شود اهمیت دارد.

یک چرخهٔ مفید هوش مصنوعی در Retail Media می‌تواند چنین باشد: امتیاز علاقه به محصول، مخاطبی با قصد خرید بالا را شناسایی می‌کند؛ پلتفرم پیشنهاد می‌دهد تبلیغ‌دهنده محصول مشخصی را به این مخاطب معرفی کند؛ تبلیغ‌دهنده کمپین را فعال می‌کند؛ سامانه نمایش، کلیک، خرید، ROAS، حاشیه و میزان افزایش را می‌سنجد و نتایج برای بهبود پیشنهادهای بعدی به کار می‌روند. این یک شعار دربارهٔ «هوش مصنوعی برای تبلیغات» نیست؛ چرخه‌ای سنجش‌پذیر برای درآمد است.

حاکمیت اختیاری نیست

هوش مصنوعی دادهٔ مشتری نمی‌تواند آزمایشی بدون کنترل باشد. هر امتیاز و پیشنهاد به زمینه نیاز دارد: چه داده‌ای استفاده شده؟ کدام نسخهٔ مدل خروجی داده؟ مالک مدل کیست؟ امتیاز تازه است؟ این فیلد را می‌توان برای فعال‌سازی استفاده کرد؟ رضایت اجازه می‌دهد؟ کدام نقش‌ها خروجی را می‌بینند؟ پیشنهاد برای کسب‌وکار به‌اندازهٔ کافی توضیح‌پذیر است؟ با مدل قدیمی یا ناقص چه می‌شود؟

این‌ها پرسش‌های فرعی نیستند؛ تعیین می‌کنند آیا هوش مصنوعی می‌تواند در سازمان مورد اعتماد باشد.

سنجش مرز ادعا و ارزش است

قوی‌ترین تیم‌های هوش مصنوعی فقط پیش‌بینی بهتری تولید نمی‌کنند؛ آن‌ها می‌توانند اثر کسب‌وکاری را اثبات کنند. سنجش در هوش مصنوعی دادهٔ مشتری باید نشان دهد تصمیمی نمایش داده، پذیرفته، کلیک، نادیده، اجرا، متوقف یا لغو شده است و آیا درآمد افزایش یافته، حفظ مشتری بهتر شده، حاشیه ثابت مانده، انصراف تغییر کرده، خستگی ارتباطی بالا رفته یا عملکرد افت کرده است.

در بسیاری موارد انتساب کافی نیست. سازمان به آزمایش، گروه کنترل، گروه شاهد، سنجه‌های حفاظتی و سنجش افزایش نیاز دارد. پرسش نباید این باشد که مدل خوب پیش‌بینی کرد؟ پرسش بهتر: آیا تصمیم ساخته‌شده با مدل، نتیجهٔ کسب‌وکار را بهبود داد؟

نگاه بین‌وبان به هوش مصنوعی دادهٔ مشتری

از نگاه بین‌وبان، هوش مصنوعی نباید لایه‌ای تزئینی در پلتفرم دادهٔ مشتری باشد؛ باید بخشی از سامانهٔ عملیاتی تصمیم‌گیری شود. یعنی خروجی‌های هوش مصنوعی باید در بخش‌ها، مسیرهای تعامل، کمپین‌ها، فرایندهای Retail Media، پیشنهادهای تبلیغ‌دهنده و محصول، هشدارها و سطوح سنجش.

هدف جایگزینی تیم علم دادهٔ سازمان نیست. بسیاری از سازمان‌های بزرگ زیرساخت علم داده، BI و هوش مصنوعی خود را دارند. نقش مفیدتر، عملیاتی‌کردن هوشمندی است: کمک به سازمان برای حرکت از دادهٔ تحت حاکمیت به اجرای تصمیم و از اجرای تصمیم به سنجش نتیجه. در این مدل، هوش مصنوعی دادهٔ مشتری قابلیت داشبورد نیست؛ چرخهٔ تصمیم است.

پرسش‌های رایج